نقش هوش مصنوعی در رادیولوژی تشخیصی: بررسی‌ برنامه آموزشی رزیدنتی رادیولوژی

چکیده

کلمات کلیدی

مقدمه

روش ها و متدها

آنالیز آماری

نتایج

شکل 1 . میزان توزیع و پاسخ کارآموزان به سال در حین آموزش.

شکل 2 . رادیولوژیست های شرکت کننده با حوزه‌های تخصصی مختلف.

جدول 1 . پاسخ رادیولوژیست ها و کاراموزان به نظرسنجی رادیولوژی تشخیصی هوش مصنوعی

بحث و گفت و گو

چند نکته

هدف: پيش بيني مي شود که پيشرفت‌های هوش مصنوعي در راديولوژي تشخيصی، تأثير عمده اي بر اين تخصص پزشکي داشته باشد. به منظور ایجاد مبنایی برای فعالیت های آموزشی در این موضوع،مطالعه‌ای در میان کارآموزان و رادیولوژیست ها در یک برنامه رزیدنتی به اجرا در آمد. روش ها: یک پرسشنامه‌ ناشناس توزیع شد. مقایسه‌ی داده های طبقه بندی شده بین گروه ها (کارآموزان و رادیولوژیست ها) با استفاده از آنالیز Pearson χ2 یا یک تحلیل دقیق هنگام لزوم انجام شد. زمانی که داده ها به صورت نرمال توزیع نشده بودند، مقایسه ها با استفاده از آزمون رتبه بندی ویلکاکسون رتبه بندی شد. به α مقدار 0.05 تعلق گرفت. یافته ها: پاسخ کلی 66 درصد بود (69 از 104 مورد). سی و شش درصد شرکت کنندگان (25 نفر) گفتند که در طی 12 ماه گذشته، هیچ مقاله پزشکی درباره موضوع هوش مصنوعی نخوانده‌اند. 29 درصد از شرکت کنندگان (12 نفر) پاسخ دادند که از ابزارهای هوش مصنوعی در طول کار روزانه خود استفاده می‌کنند.شک و تردید کارآموزان در مورد اینکه آیا باید رادیوگرافی تشخیصی را به عنوان یک حرفه دنبال می کردند محتمل تر بود چرا که اگر می‌دانستند پیش بینی شده است که هوش مصنوعی تاثیر بالقوه‌ای بر روی این تخصص خواهد داشت (P=.0254) بیشتر احتمال داشت تا برای یادگیری این موضوع برنامه‌ریزی کنند.(P=.0401) نتیجه گیری: برای رادیولوژیست ها مقالات علمی پزشکی هوش مصنوعی کمی ارائه شده است. کارآموزان نگران تاثیر هوش مصنوعی بر شغل شان هستند و مایلند در مورد موضوع مطالبی فرا بگیرند. نیاز به توسعه منابع آموزشی برای کمک به رادیولوژیست ها با فرض نقشی مهم در هدایت و تسهیل توسعه و اجرای ابزار هوش مصنوعی در رادیولوژی تشخیصی وجود دارد.

امروزه رادیولوژیست ها نه تنها با حجم وسیعی از داده های تصویری که باید هر روزه بررسی شوند، بلکه همچنین با زمان مورد نیاز برای جستجو و پیدا کردن اطلاعات بالینی متنی در مورد مطالعات تصویری که خوانده اند، غرق می شوند. A گروه رادیولوژی، دانشکده پزشکی دانشگاه میامی میلر، میامی، فلوریدا. ب گروه بهداشت عمومی، دانشگاه میامی میلر، دانشکده پزشکی، میامی، فلوریدا. نویسنده مجله و مجلات: فرناندو کلودودسا، MD، گروه رادیولوژی، دانشکده پزشکی دانشگاه میامی میلر، 1611 NW 12th Avenue، West Wing، Room 279، Miami، FL 33136؛ پست الکترونیکی: fcollado@med.miami.edu. نویسندگان هیچ گونه تضاد منافع مربوط به مطالب مورد بحث در این مقاله ندارند. تنها در ایالات متحده برآورد شده است که به دلیل تعداد زیاد آزمایشات عکسبرداری که سالانه انجام می شود، هر کدام از حدود 32،000 رادیولوژیست ها هر 3 ثانیه در هر روز کاری در طول یک سال،یک تصویر مشاهده می کنند. [1] پیشرفت های اخیر در زمینه هوش مصنوعی (AI)، از جمله توسعه شبکه های عصبی مصنوعی با کارایی بالا، الگوریتم های قدرتمند یادگیری ماشین (ML) و توانایی محاسباتی قدرتمند مبتنی بر ابر، به تولید مقدار زیادی داده‌ی دیجیتال قابل خواندن توسط ماشین‌ها به وسیله‌ی مطالعات عکس‌برداری رادیولوژیک و پرونده های پزشکی الکترونیکی، با هدف ایجاد برنامه های کاربردی که انتظار می رود پس از تایید پزشکی، روش انجام رادیولوژی تشخیصی (DR) کنونی را بهبود دهد.[5-2] پیش بینی هایی که این فن آوری های جدید چه تغییرات نامطلوبی بوجود خواهندآورد و چگونه این تغییرات به وقوع خواهند پیوست، از منسوخ شدن رادیولوژیست ها در مدت زمانی نسبتا کوتاه تا تغییرات تدریجی که تا پایان آن انتظار می رود رادیولوژیست ها نقش اصلی در مراقبت های بهداشتی داشته باشند [2،3]. ACR متوجه این موضوع شد و موسسه داده‌های علمی (Data Science Institute) در ماه مه سال 2017 با هدف «کار با دولت، صنعت و دیگران برای هدایت و تسهیل در راستای توسعه و اجرای مناسب ابزارهای AI برای کمک به رادیولوژیست ها به منظور بهبود مراقبت عکسبرداری پزشکی»، تشکیل شد. [6] اخیرا دعوت نامه‌ای برای اقدام در سی و هشتمین کنفرانس تابستانی بین المللی ACR ارسال شد که در آن وضعیت علم داده های بالینی مورد بررسی قرار گرفت، و شرکت کنندگان بر تاثیر آن در سلامت و روش‌های رادیولوژی تاکید کردند. [3] به منظور ایجاد مبنایی برای فعالیت های آموزشی در AI مرتبط با فیلد DR، مطالعه‌ای در میان کارآموزان و رادیولوژیست ها در یک برنامه آموزشی رزیدنتی برای بررسی آگاهی عمومی و درک آنها از این موضوع انجام شد.